논문 전문 : https://ieeexplore.ieee.org/document/9081953
[출처] H. Chun, J. Kim, J. Yu and S. Han, "Real-Time Parameter Estimation of an Electrochemical Lithium-Ion Battery Model Using a Long Short-Term Memory Network," in IEEE Access, vol. 8, pp. 81789-81799, 2020, doi: 10.1109/ACCESS.2020.2991124.https://doi.org/10.1016/j.egyai.2020.100007.
※ The picture and content of this article are from the original paper.
[논문요약]
Real-Time Parameter Estimation of an Electrochemical Lithium-Ion Battery Model Using a Long Short-Term Memory Network
이 논문은 전기화학 모델 중 P2D 모델로 데이터를 Generating하고 LSTM으로 학습시켜 열화와 관련된다고 볼 수 있는 6개의 인자(전기화학 변수)에 대해 추정하는 논문입니다.
Purpose
Newman 그룹에서 시작된, 리튬배터리의 P2D 모델에 대해 딥러닝을 적용하는 논문입니다.
개인적으로, 논문 제목만 보고 Real time parameter estimation이라길래 전기화학 모델의 많은 변수들을 추정할 수 있는건가 생각했는데, 이미 있는 P2D 모델에 삼성SDI에서 제공해주는 대부분의 물성치를 가지고 열화와 관련되었다고 볼수 있는 5가지(용량제외)인자만 바꿔가며 데이터를 Generating시키고 학습시키는 논문이였습니다.
Contents
이게 가능할진 모르겠지만, P2D 모델의 모든 파라미터를 몇가지의 실험 혹은 데이터셋 분석을 통해서 얻어내고 싶다는 생각을 가지고 있습니다.
그런 취지에서 읽은 논문이지만, 기존에 존재하는 P2D모델에 셀업체에서 대부분의 물성치를 받고, 모델로 Generating시킨 데이터를 가지고 학습시켜서 결과를 본다는점이 조금은 아쉬웠습니다.
제목만 봤을때 기대한것과는 거리가 멀었기 때문인데요,
저는 모델로 Generating한 데이터로 딥러닝 모델을 학습시키는 방법론을 좋아하지 않습니다.
모델을 레퍼런스로 하는 모델이기 때문이죠, 설령 몇몇 변수에 대해 잘 따라가더라도 실측값이 아닌이상 한계점은 존재합니다. (개인적인 철학입니다..)
물론, 이게 배터리의 한계이기도합니다. 배터리는 SOH값이나 각종 파라미터들을 실시간으로 얻어내기 매우 어렵습니다.
전기화학적 성분임에 복잡도가 높다는 이유와 더불어, 히스테리시스 및 시계열성을 가지고 있기 때문입니다.
저도 최근에는 딥러닝을 위한 배터리 데이터를 얻는 방안으로, 정말 P2D모델 밖에 없나...라는 생각이 많이 드는데, 해당 논문도 뛰어난 연구원분들께서 그런 고찰을 가지고 시작하지 않았을까.. 생각됩니다.
(셀업체 및 자동차OEM에서 서버로 배터리 데이터를 모으고 있긴 하지만, 데이터 퀄리티 및 Resolution이 아주 떨어지거나 Lab scale처럼 의도하는 대로 얻을 수 있는 상황은 아닌것 같습니다.)
P2D모델에 대해 아주 자세하게 잘 설명된 논문입니다.
r(radial direction of the solid particle)과 x(lithium ion flow direction)의 2 Dimension으로 리튬배터리를 해석하고자 하는 방안으로, 이에 온도추정을 위한 열역학식과 SEI 두께 및 저항에 대한 수식을 추가해주었습니다.
해당 논문의 방법론에 대해 가장 잘 보여주고 있는 그래프입니다.
열화관련인자 6개를 k(sign)와 F(variation rate)로 구성된 열화 추정 수식(theta)에 넣고, 이것을 바꾸어가며 전기화학 모델에서 데이터를 뽑아냅니다.
즉, 전류와 열화 인자를 계속 바꿔가며, 이로 인한 전압/온도/SOC를 계속 모니터링하고 데이터를 세이빙 하는것입니다.
그리고, 이 데이터로 학습을 진행하며, 학습을 할때는 반대로 Input 인자로 전압/전류/온도/SOC를 넣고 output인자로 열화관련 파라미터가 되는 모습입니다.
F와 k값 또한, SDI에서 제공한 물성치를 사용했다고 합니다.
(These physical values are obtained from the BOL and EOL data provided by SAMSUNG SDI Co..Ltd)
해당 논문의 동일한 Sequence 그래프입니다.
LSTM을 사용했다는 점을 제외하고 특이한 Method는 보이지 않는것 같습니다.
하지만, 기존연구로 나온 열화인자와 k와F에 관계된 수식을 다양한 값으로 바꾸어가며 셀업체에서 값들을 얻어 Data Generating을 했다는 부분에서 엄청 많은 노력을 하셨지 않을까 하는 생각을 해보았습니다.
실측데이터로 Synthetic(Generating)한 데이터의 정합성을 검증하는데, 저는 여기서 SEI thickness의 True value를 어떻게 얻어냈는지 궁금하네요
True value가 수식으로 유도한값은 아닐테고..SEI 두께를 계속 실측한 것인지..?
Results
두개의 열화도가 다른 배터리를 토대로 전압추정 성능을 비교하고 모델의 적합도에 대해 보고 있습니다.
셀당 Error가 최대 20mV가 넘게 난다는것은, 정합성이 좋다고보긴 힘든것 같습니다.
보통 하한전압 2.5V 상한전압 4.2V면 1700mV의 간격을 두고있는데 20mV면 SOC 1%이상 차이가 나기 때문입니다.
해당 모델은 셀을 목적으로 만든것이기에, 다른얘기기도 하지만 전기차 혹은 시스템단위에서 셀당 20mV편차가 나는게 수백개가되면 꽤나 큰 전압편차가 나게되기도합니다. 그러면, 셀밸런싱도 동작해야하구요..
셀당 최대 오차 26mV까지 난다고 하며, 그림상 평균 10mV정도는 나는것 같은데,
위의 그림에선 안나온듯 하지만 SOC 0~10%구간의 강한 비선형성을 가지는 구간에서 어느정도의 오차가 나는지도 상당히 궁금한 논문이였습니다.
참조
1. H. Chun, J. Kim, J. Yu and S. Han, "Real-Time Parameter Estimation of an Electrochemical Lithium-Ion Battery Model Using a Long Short-Term Memory Network," in IEEE Access, vol. 8, pp. 81789-81799, 2020, doi: 10.1109/ACCESS.2020.2991124.https://doi.org/10.1016/j.egyai.2020.100007.
댓글